دوره 17، شماره 4 - ( زمستان 1404 )                   جلد 17 شماره 4 صفحات 43-32 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Nazari L, Zinati Z. (2025). Comparison of Machine-Learning Algorithms for Identifying Key Genes Involved in Sorghum's Response to Temperature Stress. J Crop Breed. 17(4), 32-43. doi:10.61882/jcb.2025.1611
URL: http://jcb.sanru.ac.ir/article-1-1611-fa.html
نظری لیلا، زینتی زهرا.(1404). مقایسه الگوریتم‌های یادگیری ماشین جهت تعیین ژن‌های کلیدی سورگوم در پاسخ به تنش‌های دمایی پژوهشنامه اصلاح گیاهان زراعی 17 (4) :43-32 10.61882/jcb.2025.1611

URL: http://jcb.sanru.ac.ir/article-1-1611-fa.html

مقایسه الگوریتم‌های یادگیری ماشین جهت تعیین ژن‌های کلیدی سورگوم در پاسخ به تنش‌های دمایی
لیلا نظری1، زهرا زینتی*2
1- بخش تحقیقات زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران
2- بخش اگرواکولوژی، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز، شیراز، ایران
چکیده:   (790 مشاهده)
چکیده مبسوط
مقدمه و هدف: سورگوم به‌عنوان یک گیاه چهار کربنه، اگرچه نسبت به تنش‌های غیر زیستی مختلف نسبتاً متحمل است، اما عملکرد آن به‌طور قابل توجهی تحت تأثیر دماهای بالاتر از ۳۲ درجه سانتی‌گراد و پایین‌تر از ۱۵ درجه سانتی‌گراد قرار می‌گیرد. انتخاب ژن‌های کلیدی داده‌های بیان ژن با استفاده از روش‌های انتخاب ویژگی، فرآیندی است که در آن به کمک الگوریتم‌های آماری و محاسباتی، مهم‌ترین ژن‌های موثر در تحمل به تنش شناسایی می‌شوند. نتیجه این فرآیند، فیلتر شدن ژن‌هایی است که بیشترین ارتباط را با تنش مورد مطالعه دارند. روش فیلتر یکی از روش‌های انتخاب ویژگی است که مستقل از الگوریتم‌های یادگیری ماشین عمل می‌کند. ترکیب روش‌های مختلف فیلتر، امکان انتخاب بهینه و دقیق ویژگی‌های موثر در پاسخ ژنتیکی سورگوم به تنش‌های دمایی را فراهم می‌آورد. با توجه به این موضوع، هدف از این مطالعه شناسایی ژن‌های کلیدی مؤثر در پاسخ به تنش‌های دمایی (سرما و گرما) در گیاه سورگوم از طریق داده‌های ترانسکریپتومی و به‌کارگیری روش‌های فیلتر شامل کسب اطلاعات (Information Gain)، نسبت کسب اطلاعات (Gain Ratio) و Relief است.
مواد و روش‌ها: در این مطالعه، داده‌های شمارش مربوط به بیان ژن از پایگاه GEO (https://www.ncbi.nlm.nih.gov/geo/) با شماره دسترسی GSE225632 استخراج شدند. تجزیه و تحلیل بر روی داده‌های برگ گیاه سورگوم در شرایط کنترل و تحت تنش دما در چهار زمان مختلف روز انجام شد. داده‌ها به دو کلاس کنترل و تنش (سرما و گرما) تقسیم شدند و با استفاده از بسته DESeq2 در نرم‌افزار R، ژن‌های با تغییرات بیان شناسایی گردیدند. سپس با استفاده از سه الگوریتم انتخاب ویژگی (Information Gain، Gain Ratio و Relief) ژن‌های برتر انتخاب شدند و با استفاده از نمودار ون، تعداد ژن‌های مشترک بین الگوریتم‌ها بررسی شد. برای اعتبارسنجی نتایج، از الگوریتم‌های یادگیری ماشین Bayes Net و Random Forest استفاده شد. این الگوریتم‌ها در نرم‌افزار Weka 3.7 اجرا شدند و عملکرد آن‌ها در طبقه‌بندی نمونه‌ها بر اساس ویژگی‌های شناسایی‌شده مقایسه شد .برای مقایسه و ارزیابی الگوریتم‌های طبقه‌بندی از معیارهای نرخ مثبت واقعی (TP Rate)، نرخ مثبت کاذب (FP Rate)، دقت (Precision)، بازخوانی (Recall)، معیار F، ضریب همبستگی متیوز (MCC)، مساحت زیر منحنی نرخ مثبت واقعی در مقابل نرخ مثبت کاذب (ROC) و مساحت زیر منحنی دقت در مقابل یادآوری (PRC) استفاده شد. جهت نمایش اشتباهات طبقه‌بندی از ماتریس درهم‌ریختگی استفاده شد.
یافته‌ها: در این پژوهش، ابتدا تحلیل تغییرات بیان ژن‌ها با مقایسه بین شرایط کنترل و تنش‌های سرمایی و گرمایی انجام شد. از مجموع ۳۴۱۲۹ ژن بررسی‌شده، ۲۱۳۶ ژن با تغییر بیان معنادار در سطح 0/05 که دارای log2FoldChange بیشتر از یک بودند، انتخاب شدند و در مراحل بعدی برای انتخاب ویژگی و تحلیل‌های یادگیری ماشین مورد استفاده قرار گرفتند. برای استخراج ژن‌های کلیدی پاسخ‌دهنده به تنش‌های دمایی، سه الگوریتم انتخاب ویژگی اجرا شد. در هر الگوریتم، 50 ژن برتر بر اساس رتبه‌بندی استخراج شدند. در مجموع، نه ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. کارایی دو مدل‌ طبقه‌بندی برای تفکیک سه کلاس کنترل، تنش سرما و تنش گرما ارزیابی شد. الگوریتم Bayes Net دقت بالایی در تفکیک کلاس‌ها داشت. برای کلاس کنترل، نرخ حساسیت (TP Rate) برابر با 1، نرخ مثبت کاذب (FP Rate)  برابر با 0/021 و دقت (Precision)  برابر با 0/980 بود. در کلاس تنش سرما، دقت 1 و نرخ حساسیت 0/958 بدست آمد. در تنش گرما، تمامی نمونه‌ها به‌درستی طبقه‌بندی شدند (دقت و نرخ حساسیت  برابر با 1).
الگوریتم Random Forest نیز دقت بالایی در تشخیص کلاس‌ها از خود نشان داد. در کلاس کنترل، نرخ صحیح طبقه‌بندی برابر با 1 و دقت برابر با 0/96 بود. برای کلاس‌های تنش سرما و تنش گرما، نرخ صحیح طبقه‌بندی 0/958 و دقت 1 به‌دست آمد که بیانگر عملکرد قوی الگوریتم در شناسایی صحیح نمونه‌های تحت تنش بود.
نتیجه‌گیری: نتایج این مطالعه نشان می‌دهند که شناسایی و تحلیل ژن‌های کلیدی موثر در پاسخ گیاه سورگوم به تنش‌های دمایی زمینه‌ساز مطالعه دقیق‌تر مسیرها و شبکه‌های بیولوژیکی دخیل در تنظیم پاسخ‌های سلولی است و می‌تواند به افزایش فهم ما از مکانیسم‌های مولکولی این گیاه تحت شرایط تنش کمک شایانی نماید. از میان ۲۱۳۶ ژن شناسایی‌شده با تغییرات بیان معنادار، نه ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. برای تایید این ژن‌ها به عنوان شاخص‌های مولکولی مناسب، نیاز است که آزمایش‌های بیولوژیکی مستقل بر روی رقم‌های مختلف سورگوم انجام شوند تا تغییرات بیان آن‌ها در شرایط تجربی تأیید گردد. عملکرد مطلوب الگوریتم‌های یادگیری ماشین شامل Bayes Net و Random Forest در طبقه‌بندی نمونه‌ها نشان‌دهنده قدرت و دقت این مدل‌ها در تفکیک بیان ژن‌ها در شرایط تنش دما و کنترل است. بررسی همولوگ ژن Sobic.004G283300 در آرابیدوپسیس و ذرت، و همولوگ‌های ژن‌های Sobic.010G100600 و Sobic.006G093500 در آرابیدوپسیس بر نقش آن‌ها در تنش‌های گرمایی دلالت دارد. علاوه بر این، بررسی همولوگ‌های ژن‌های شناسایی‌شده در گونه‌های مدل مانند برنج و ذرت در پایگاه‌های داده ژنومی و مقالات علمی نشان می‌دهد که تاکنون گزارش معتبر و مستندی در خصوص نقش دقیق و عملکرد زیستی ژن‌های Sobic.010G128900، Sobic.001G093100، Sobic.007G168100، Sobic.002G269100، Sobic.006G183701 و Sobic.002G047800 در پاسخ به تنش‌های دمایی وجود ندارد. این شش ژن به‌عنوان ژن‌های ناشناخته (uncharacterized)  معرفی شده‌اند و عملکرد آن‌ها در سطح مولکولی تاکنون مورد مطالعه قرار نگرفته است. بنا بر این، انجام تحقیقات بیشتر برای مشخص کردن نقش این ژن‌ها در فرآیندهای فیزیولوژیکی و پاسخ به تنش‌های دمایی در سورگوم ضروری است تا درک بهتری از عملکرد آن‌ها در واکنش به تنش‌های محیطی به دست آید. این اطلاعات می‌تواند زمینه‌ساز توسعه ارقام جدید و مقاوم در برابر شرایط نامساعد زیست‌محیطی باشد و به پایداری کشاورزی در آینده کمک کند. پیشنهاد می‌شود که مطالعات بیشتری بر روی ژن‌های شناسایی‌شده و همچنین ژن‌های ناشناخته انجام شوند تا عملکرد دقیق آن‌ها در زمینه‌های مختلف تنش‌های زیستی و غیر زیستی بیشتر مورد بررسی قرار گیرد. همچنین، اقدامات تجربی و میدانی برای ارزیابی کارایی این شاخص ‎های مولکولی در شرایط واقعی کشاورزی ضروری است. انجام چنین عملیاتی می‌تواند به بهبود مستمر و پایداری تولیدات زراعی کمک کند.
واژه‌های کلیدی: انتخاب ویژگی، بیان ژن، سورگوم، تنش دمایی
متن کامل [PDF 1512 kb]   (16 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اصلاح براي تنش هاي زنده و غيرزنده محيطي
دریافت: 1403/12/22 | پذیرش: 1404/4/31
فهرست منابع
1. Abdel-Ghany, S. E., Ullah, F., Ben-Hur, A., & Reddy, A. S. (2020). Transcriptome analysis of drought-resistant and drought-sensitive sorghum (Sorghum bicolor) genotypes in response to PEG-induced drought stress. International Journal of Molecular Sciences, 21(3), 772. [DOI:10.3390/ijms21030772]
2. Abdelwahab, O., Awad, N., Elserafy, M., & Badr, E. (2022). A feature selection-based framework to identify biomarkers for cancer diagnosis: A focus on lung adenocarcinoma. Plos One, 17(9), e0269126. [DOI:10.1371/journal.pone.0269126]
3. Azodi, C. B., Lloyd, J. P., & Shiu, S.-H. (2020). The cis-regulatory codes of response to combined heat and drought stress in Arabidopsis thaliana. NAR Genomics and Bioinformatics, 2(3), lqaa049. [DOI:10.1093/nargab/lqaa049]
4. Bonnot, T., Somayanda, I., Jagadish, S. K., & Nagel, D. H. (2023). Time of day and genotype sensitivity adjust molecular responses to temperature stress in sorghum. The Plant Journal, 116(4), 1081-1096. [DOI:10.1111/tpj.16467]
5. Bordbar, M., Darvishzadeh, R., & Pazhouhandeh, M. (2023). Molecular Techniques for Plants Gene Expression Analysis at the Transcriptomics Level [Research]. Journal of Crop Breeding, 15(45), 83-104. https://doi.org/10.61186/jcb.15.45.83 [DOI:10.61186/jcb.15.45.83 [In Persian]]
6. Chong, J., Baltz, R., Schmitt, C., Beffa, R., Fritig, B., & Saindrenan, P. (2002). Downregulation of a pathogen-responsive tobacco UDP-Glc: phenylpropanoid glucosyltransferase reduces scopoletin glucoside accumulation, enhances oxidative stress, and weakens virus resistance. The Plant Cell, 14(5), 1093-1107. [DOI:10.1105/tpc.010436]
7. Colombelli, F., Kowalski, T. W., & Recamonde-Mendoza, M. (2022). A hybrid ensemble feature selection design for candidate biomarkers discovery from transcriptome profiles. Knowledge-Based Systems, 254, 109655. [DOI:10.1016/j.knosys.2022.109655]
8. Frey, F. P., Urbany, C., Hüttel, B., Reinhardt, R., & Stich, B. (2015). Genome-wide expression profiling and phenotypic evaluation of European maize inbreds at seedling stage in response to heat stress. BMC Genomics, 16, 1-15. [DOI:10.1186/s12864-015-1282-1]
9. Fu, H., Zhao, J., Ren, Z., Yang, K., Wang, C., Zhang, X., Chen, C. (2022). Interfered chromosome pairing at high temperature promotes meiotic instability in autotetraploid Arabidopsis. Plant Physiology, 188(2), 1210-1228. [DOI:10.1093/plphys/kiab563]
10. Gachon, C., Baltz, R., & Saindrenan, P. (2004). Over-expression of a scopoletin glucosyltransferase in Nicotiana tabacum leads to precocious lesion formation during the hypersensitive response to tobacco mosaic virus but does not affect virus resistance. Plant Molecular Biology, 54, 137-146. [DOI:10.1023/B:PLAN.0000028775.58537.fe]
11. Gibson, G., & Weir, B. (2005). The quantitative genetics of transcription. TRENDS in Genetics, 21(11), 616-623. [DOI:10.1016/j.tig.2005.08.010]
12. Haury, A.-C., Gestraud, P., & Vert, J.-P. (2011). The influence of feature selection methods on accuracy, stability and interpretability of molecular signatures. Plos One, 6(12), e28210. [DOI:10.1371/journal.pone.0028210]
13. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). Statistical learning. In An introduction to statistical learning: With applications in Python (pp. 15-67). Springer. [DOI:10.1007/978-3-031-38747-0_2]
14. Kononenko, I. (1994, April). Estimating attributes: Analysis and extensions of RELIEF. In European conference on machine learning (pp. 171-182). Berlin, Heidelberg: Springer Berlin Heidelberg. [DOI:10.1007/3-540-57868-4_57]
15. Kononenko, I., & Kukar, M. (2007). Chapter 6 - Measures for Evaluating the Quality of Attributes. In I. Kononenko & M. Kukar (Eds.), Machine Learning and Data Mining (pp. 153-180). Woodhead Publishing. https://doi.org/10.1533/9780857099440.153 [DOI:https://doi.org/10.1533/9780857099440.153]
16. Lambin, J., Demirel Asci, S., Dubiel, M., Tsaneva, M., Verbeke, I., Wytynck, P., . . . & Van Damme, E. J. (2020). OsEUL lectin gene expression in rice: stress regulation, subcellular localization and tissue specificity. Frontiers in Plant Science, 11, 185. [DOI:10.3389/fpls.2020.00185]
17. Lannoo, N., & Van Damme, E. J.(2014). Lectin domains at the frontiers of plant defense. Frontiers in Plant Science, 5, 397. [DOI:10.3389/fpls.2014.00397]
18. Liu, C., & Zhang, T. (2017). Expansion and stress responses of the AP2/EREBP superfamily in cotton. BMC Genomics, 18, 1-16. [DOI:10.1186/s12864-017-3517-9]
19. Liu, H., & Motoda, H. (2012). Feature selection for knowledge discovery and data mining (Vol. 454). Springer science & business media.
20. Marothia, D., Kaur, N., Jhamat, C., Sharma, I., & Pati, P. K. (2023). Plant lectins: Classical molecules with emerging roles in stress tolerance. International Journal of Biological Macromolecules, 244, 125272. [DOI:10.1016/j.ijbiomac.2023.125272]
21. Moghimi, N., Desai, J. S., Bheemanahalli, R., Impa, S. M., Vennapusa, A. R., Sebela, D., . . . & Jagadish, S. K. (2019). New candidate loci and marker genes on chromosome 7 for improved chilling tolerance in sorghum. Journal of Experimental Botany, 70(12), 3357-3371. [DOI:10.1093/jxb/erz143]
22. Moore, B. M., Lee, Y. S., Wang, P., Azodi, C., Grotewold, E., & Shiu, S.-H. (2022). Modeling temporal and hormonal regulation of plant transcriptional response to wounding. The Plant Cell, 34(2), 867-888. [DOI:10.1093/plcell/koab287]
23. Nazari, L., Aslan, M. F., Sabanci, K., & Ropelewska, E. (2023). Integrated transcriptomic meta-analysis and comparative artificial intelligence models in maize under biotic stress. Scientific Reports, 13(1), 15899. [DOI:10.1038/s41598-023-42984-4]
24. Nazari, L., Ghotbi, V., Nadimi, M., & Paliwal, J. (2023). A Novel Machine-Learning Approach to Predict Stress-Responsive Genes in Arabidopsis. Algorithms, 16(9), 407. [DOI:10.3390/a16090407]
25. Nazari, L., Zinati, Z., & Bagnaresi, P. (2023). Identification of biomarker genes from multiple studies for abiotic stress in maize through machine learning. Journal of Biosciences, 49(1), 1. [DOI:10.1007/s12038-023-00392-w]
26. Ning, Y., Liu, Q., Wang, C., Qin, E., Wu, Z., Wang, M., . . . Liu, H. (2021). Heat stress interferes with formation of double-strand breaks and homolog synapsis. Plant Physiology, 185(4), 1783-1797. [DOI:10.1093/plphys/kiab012]
27. Osman, M. E. M., Osman, R. S. H., Elmubarak, S. A., Ibrahim, M. A., Abakar, H. B. M., Dirar, A. I., & Konozy, E. H. E. (2024). In silico analysis of L-and G-type lectin receptor kinases in tomato: evolution, diversity, and abiotic responses. BMC Genomics, 25(1), 1143. [DOI:10.1186/s12864-024-11014-6]
28. Panahi, B. (2024). Transcriptome signature for multiple biotic and abiotic stress in barley (Hordeum vulgare L.) identifies using machine learning approach. Current Plant Biology, 40, 100416. https://doi.org/10.1016/j.cpb.2024.100416 [DOI:https://doi.org/10.1016/j.cpb.2024.100416]
29. Pardo, J., & VanBuren, R. (2021). Evolutionary innovations driving abiotic stress tolerance in C4 grasses and cereals. The Plant Cell, 33(11), 3391-3401. [DOI:10.1093/plcell/koab205]
30. Prasad, P. V., Bheemanahalli, R., & Jagadish, S. K. (2017). Field crops and the fear of heat stress-opportunities, challenges and future directions. Field Crops Research, 200, 114-121. [DOI:10.1016/j.fcr.2016.09.024]
31. Qin, F., Kakimoto, M., Sakuma, Y., Maruyama, K., Osakabe, Y., Tran, L. S. P., . . . & Yamaguchi‐Shinozaki, K. (2007). Regulation and functional analysis of ZmDREB2A in response to drought and heat stresses in Zea mays L. The Plant Journal, 50(1), 54-69. [DOI:10.1111/j.1365-313X.2007.03034.x]
32. Rai, K. K., & Rai, A. C. (2020). Recent transgenic approaches for stress tolerance in crop plants. Sustainable Agriculture in the Era of Climate Change, 533-556. [DOI:10.1007/978-3-030-45669-6_23]
33. Rezaei Musa Dargh, S., Abdollahi Mandoulakani, B., & Ghasemzadeh, R. (2024). The Effect of Iron Deficiency Stress on the Relative Expression of ZIP3, ZIP6, and ZIP7 Genes in Bread Wheat (Triticum aestivum L.) Cultivars [Research]. Journal of Crop Breeding, 16(3), 52-63. https://doi.org/10.61186/jcb.16.3.52 [DOI:10.61186/jcb.16.3.52 [In Persian]]
34. Sakuma, Y., Maruyama, K., Qin, F., Osakabe, Y., Shinozaki, K., & Yamaguchi-Shinozaki, K. (2006). Dual function of an Arabidopsis transcription factor DREB2A in water-stress-responsive and heat-stress-responsive gene expression. Proceedings of the National Academy of Sciences, 103(49), 18822-18827. [DOI:10.1073/pnas.0605639103]
35. Shi, J., Yan, B., Lou, X., Ma, H., & Ruan, S. (2017). Comparative transcriptome analysis reveals the transcriptional alterations in heat-resistant and heat-sensitive sweet maize (Zea mays L.) varieties under heat stress. BMC Plant Biology, 17, 1-10. [DOI:10.1186/s12870-017-0973-y]
36. Sunoj, V. J., Somayanda, I. M., Chiluwal, A., Perumal, R., Prasad, P. V., & Jagadish, S. K. (2017). Resilience of pollen and post‐flowering response in diverse sorghum genotypes exposed to heat stress under field conditions. Crop Science, 57(3), 1658-1669. [DOI:10.2135/cropsci2016.08.0706]
37. Tack, J., Lingenfelser, J., & Jagadish, S. K. (2017). Disaggregating sorghum yield reductions under warming scenarios exposes narrow genetic diversity in US breeding programs. Proceedings of the National Academy of Sciences, 114(35), 9296-9301. [DOI:10.1073/pnas.1706383114]
38. Tu, M., Du, C., Yu, B., Wang, G., Deng, Y., Wang, Y., ... & Li, Y. (2023). Current advances in the molecular regulation of abiotic stress tolerance in sorghum via transcriptomic, proteomic, and metabolomic approaches. Frontiers in Plant Science, 14, 1147328. [DOI:10.3389/fpls.2023.1147328]
39. Wang, H., Lu, S., Guan, X., Jiang, Y., Wang, B., Hua, J., & Zou, B. (2022). Dehydration-responsive element binding protein 1C, 1E, and 1G promote stress tolerance to chilling, heat, drought, and salt in rice. Frontiers in Plant Science, 13, 851731. [DOI:10.3389/fpls.2022.851731]
40. Waters, E. R. (2013). The evolution, function, structure, and expression of the plant sHSPs. Journal of Experimental Botany, 64(2), 391-403. [DOI:10.1093/jxb/ers355]
41. Waters, E. R., & Vierling, E. (2020). Plant small heat shock proteins-evolutionary and functional diversity. New Phytologist, 227(1), 24-37. [DOI:10.1111/nph.16536]
42. Zhang, Z., Li, W., Gao, X., Xu, M., & Guo, Y. (2020). DEAR4, a member of DREB/CBF family, positively regulates leaf senescence and response to multiple stressors in Arabidopsis thaliana. Frontiers in Plant Science, 11, 367. [DOI:10.3389/fpls.2020.00367]
43. Zhao, J., Fu, H., Wang, Z., Zhang, M., Liang, Y., Cui, X., . . . & Zhang, Y. (2025). Genetic variation in Arabidopsis thaliana reveals the existence of natural heat resilience factors for meiosis. Plant Physiology, 197(1), kiae671. [DOI:10.1093/plphys/kiae671]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پژوهشنامه اصلاح گیاهان زراعی می باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Crop Breeding

Designed & Developed by: Yektaweb